論文の概要: Identifying Wetland Areas in Historical Maps using Deep Convolutional Neural Networks

• arxiv url: http://arxiv.org/abs/2108.04107v1
• Date: Mon, 9 Aug 2021 15:08:07 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-10 18:37:26.261312
• Title: Identifying Wetland Areas in Historical Maps using Deep Convolutional Neural Networks
• Title（参考訳）: 深層畳み込みニューラルネットワークを用いた歴史地図上の湿地領域の同定
• Authors: Niclas St{\aa}hl, Lisa Weimann
• Abstract要約: 本研究は、手描き地図から、湿地の歴史的立地と地理的分布に関する情報を抽出する。 CNNモデルは、スウェーデンのJ"オンク"オープニング郡の歴史的な湿地に関する、手動で事前にラベル付けされたデータセットで訓練される。 訓練されたモデルは、湿原の歴史的地理的分布を推定するGIS層を生成するために、さらに使用される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: 1) The local environment and land usages have changed a lot during the past one hundred years. Historical documents and materials are crucial in understanding and following these changes. Historical documents are, therefore, an important piece in the understanding of the impact and consequences of land usage change. This, in turn, is important in the search of restoration projects that can be conducted to turn and reduce harmful and unsustainable effects originating from changes in the land-usage. 2) This work extracts information on the historical location and geographical distribution of wetlands, from hand-drawn maps. This is achieved by using deep learning (DL), and more specifically a convolutional neural network (CNN). The CNN model is trained on a manually pre-labelled dataset on historical wetlands in the area of J\"onk\"oping county in Sweden. These are all extracted from the historical map called "Generalstabskartan". 3) The presented CNN performs well and achieves a $F_1$-score of 0.886 when evaluated using a 10-fold cross validation over the data. The trained models are additionally used to generate a GIS layer of the presumable historical geographical distribution of wetlands for the area that is depicted in the southern collection in Generalstabskartan, which covers the southern half of Sweden. This GIS layer is released as an open resource and can be freely used. 4) To summarise, the presented results show that CNNs can be a useful tool in the extraction and digitalisation of non-textual information in historical documents, such as historical maps. A modern GIS material that can be used to further understand the past land-usage change is produced within this research.
• Abstract（参考訳）: 1) 地域環境と土地利用は, 過去100年間で大きく変化している。 歴史的文書や資料は、これらの変化を理解し、従う上で重要である。 したがって、歴史的文書は土地利用の変化の影響と結果を理解する上で重要な要素である。 これは、土地利用の変化から生じる有害で持続不可能な影響を回し減らすために実施できる修復事業の探索において重要である。 2)本研究は,湿地の歴史的立地と地理的分布を手描き地図から抽出する。 これはディープラーニング(DL)と、より具体的には畳み込みニューラルネットワーク(CNN)を使用することで実現される。 cnnモデルはスウェーデンのj\"onk\"oping郡の歴史的湿地に関する手作業によるデータセットで訓練されている。 これらはすべて"Generalstabskartan"と呼ばれる歴史地図から抽出されている。 3) 提案CNNの性能は良好で,データに対する10倍のクロスバリデーションを用いて評価すると0.886のF_1$スコアが得られる。 訓練されたモデルは、スウェーデンの南半分をカバーするジェネラル・スタブスカルタン(英語版)の南コレクションに描かれている湿地の歴史的地理的分布を推定するGIS層を生成するために、さらに使用される。 このGISレイヤはオープンリソースとしてリリースされ、自由に使用することができる。 4) 要約すると, cnnは歴史地図などの歴史的文書における非文書情報の抽出とデジタル化に有用であることが示された。 本研究では, 過去の土地利用変化をより深く理解するためのGIS資料を作成する。

関連論文リスト

• Detecting Omissions in Geographic Maps through Computer Vision [18.36056648425432]
  特定地域や特徴ランドマークを指定した地図を自動的に識別する手法を開発し,評価する。 地図を非マップと区別し、表示された領域の精度を確認し、特定のランドマーク名の有無を確認する。 このデータセットの実験では、特定領域のランドマークを除く地図を識別するために、この手法が85.51%のF1スコアを達成することを示した。
  論文  参考訳（メタデータ） (2024-07-15T13:26:58Z)
• Leveraging Wikidata's edit history in knowledge graph refinement tasks [77.34726150561087]
  編集履歴は、コミュニティが何らかのファジィで分散した合意に達する過程を表す。 Wikidataで最も重要な100のクラスから、すべてのインスタンスの編集履歴を含むデータセットを構築します。 タイプ予測タスクのための知識グラフ埋め込みモデルにおいて,この編集履歴情報を活用する2つの新しい手法を提案し,評価する。
  論文  参考訳（メタデータ） (2022-10-27T14:32:45Z)
• Long-term Visual Map Sparsification with Heterogeneous GNN [47.12309045366042]
  本稿では,環境変化を克服し,将来のローカライゼーションに有用な点を選択することで,地図サイズを同時に削減することを目的とする。 グラフニューラルネットワーク(GNN)の最近の進歩に触発されて,SfMマップを異種グラフとしてモデル化し,GNNを用いて3次元点重要度を推定する最初の研究を提案する。 2つの新しい監督手法が提案されている: 1) トレーニングクエリに基づく将来のローカライゼーションに有用なポイントを選択するためのデータ適合用語、2) スパースポイントをフルマップで選択するためのK-Cover用語。
  論文  参考訳（メタデータ） (2022-03-29T01:46:12Z)
• A Visual Analytics System for Profiling Urban Land Use Evolution [5.053505466956614]
  Urban ChroniclesはオープンソースのWebベースのビジュアル分析システムで、土地利用パターンの変化のインタラクティブな探索を可能にする。 数年にわたって異なるスケールでデータを探索することで,システムの能力を示す。
  論文  参考訳（メタデータ） (2021-12-12T02:36:54Z)
• Towards Measuring Bias in Image Classification [61.802949761385]
  畳み込みニューラルネットワーク(CNN)は、主要なコンピュータビジョンタスクの最先端技術となっている。 しかし、複雑な構造のため、その決定は産業世界の何らかの文脈での使用を制限するかを理解することは困難である。 帰属マップによるデータのバイアスを明らかにするための体系的なアプローチを提案する。
  論文  参考訳（メタデータ） (2021-07-01T10:50:39Z)
• Mining Legacy Issues in Open Pit Mining Sites: Innovation & Support of Renaturalization and Land Utilization [2.1697172571296943]
  露天掘りの鉱山は世界中に多くの地域を残した。 これらの地域を再利用するには、土地全体を自然化する必要がある。 新しい主要な用途への持続的な使用や移転のために、汚染された場所や土壌情報の多くは永久に管理されなければならない。 データのサイズと複雑さのために、信頼できるステートメントを作成するために、一人の人がこのデータの概要を持つことは困難です。 我々は,光学的文字認識,テキスト分類,アクティブラーニング,地理情報システムの可視化のスタックを用いて,その情報を効果的にマイニングし,可視化する。
  論文  参考訳（メタデータ） (2021-05-12T10:18:14Z)
• A hierarchical deep learning framework for the consistent classification of land use objects in geospatial databases [8.703408520845645]
  本稿では,土地利用情報を検証するための階層的ディープラーニングフレームワークを提案する。 複数レベルの土地利用を階層的に同時に予測することを目的とした新しいCNN方式を提案する。 実験によると、CNNはJOに依存しており、全体の精度は92.5%まで向上している。
  論文  参考訳（メタデータ） (2021-04-14T17:16:35Z)
• Dataset Cartography: Mapping and Diagnosing Datasets with Training Dynamics [118.75207687144817]
  我々はデータセットを特徴付け、診断するモデルベースのツールであるData Mapsを紹介した。 私たちは、トレーニング中の個々のインスタンス上でのモデルの振る舞いという、ほとんど無視された情報のソースを活用しています。 以上の結果から,データ量から品質へのフォーカスの変化は,ロバストなモデルとアウト・オブ・ディストリビューションの一般化に繋がる可能性が示唆された。
  論文  参考訳（メタデータ） (2020-09-22T20:19:41Z)
• OpenStreetMap: Challenges and Opportunities in Machine Learning and Remote Sensing [66.23463054467653]
  本稿では,OpenStreetMapデータの改良と利用のための機械学習に基づく最近の手法について述べる。 私たちは、OSMがリモートセンシングデータの解釈方法を変え、機械学習とのシナジーが参加型マップ作成をスケールできると考えている。
  論文  参考訳（メタデータ） (2020-07-13T09:58:14Z)
• Rethinking Localization Map: Towards Accurate Object Perception with Self-Enhancement Maps [78.2581910688094]
  本研究は, カテゴリーラベルのみを監督として, 正確な対象位置分布マップと対象境界を抽出する, 新たな自己強調手法を提案する。 特に、提案されたセルフエンハンスメントマップは、ILSVRC上で54.88%の最先端のローカライゼーション精度を達成する。
  論文  参考訳（メタデータ） (2020-06-09T12:35:55Z)
• Very High Resolution Land Cover Mapping of Urban Areas at Global Scale with Convolutional Neural Networks [0.0]
  本稿では,高解像度画像と限られたノイズラベル付きデータから,都市域の7クラス土地被覆マップを作成する手法について述べる。 データベースの集約、セミオートマチックな分類、手動のアノテーションといったいくつかの分野に関するトレーニングデータセットを作成して、各クラスで完全な基礎的真実を得ました。 最終生成物は、ベクトル化の前に縫合され、二項化され、精製されたモデル予測から計算された非常に貴重な土地被覆写像である。
  論文  参考訳（メタデータ） (2020-05-12T10:03:20Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。